Rasa

Rasa官网-开源自然语言理解和对话管理

---

Rasa训练过程

1. 定义意图，并提供用户可能表达意图的例子，例如打招呼可以有你好，有人吗等，整理出来保存到 nlu.md文件中；

• markdown格式

## intent:check_balance
- what is my balance <!-- 没有实体 -->
- how much do I have on my [savings](source_account) <!-- 实体source_account的值是savings -->
- how much do I have on my [savings account](source_account:savings) <!-- savings同义词account -->
- Could I pay in [yen](currency)?  <!-- 实体通过查询表获取 --> 

• json格式

{
    "rasa_nlu_data": {
        "common_examples": [], //训练模型的内容放在这里
        "regex_features" : [],
        "lookup_tables"  : [],
        "entity_synonyms": []
    }
}

2. 定于NLU模型配置，使用哪种预定义管道或者自定义管道训练模型，保存到 nlu_config.yml 文件中，之所以叫管道是组件之间使用了管道架构连接在一起；由于需要处理中文，所以只能使用 tensorflow 并辅助以jieba 分词；

language: "zh"

pipeline:
- name: "nlp_mitie"
  model: "data/total_word_feature_extractor_zh.dat"
- name: "tokenizer_jieba"
- name: "ner_mitie"
- name: "ner_synonyms"
- name: "intent_entity_featurizer_regex"
- name: "intent_featurizer_mitie"
- name: "intent_classifier_sklearn"

3. 使用 nlu.md 和 nlu_config.yml 训练NLU模型；
   python -m rasa_nlu.train -c nlu_config.yml --data nlu.md -o models --fixed_model_name nlu --project current --verbose；

4. 写剧本，一个剧本是用户和机器人之间真实的对话，用户输入是意图，机器人响应是下一步动作，保存到 stories.md 文件中；

## story_check_balance <!--- 剧本名，可选，调试时有用 --> 
* check_balance <!--- 用户的意图和实体 -> 
 - utter_name <!--- 响应动作 --> 

6. 定义一个领域，包括意图，回答动作和回答模板，保存到domain.yml文件中；
7. 训练对话模型。
   python -m rasa_core.train -d domain.yml -s stories.md -o models/dialogue

---

业务模型

---

2019年04月26号